宋蘭華

(新疆博樂市水利管理站 小營盤水管所，新疆 博樂 833400)

0 引 言

對于鄉(xiāng)鎮(zhèn)智能化供水系統(tǒng)來說，鄉(xiāng)鎮(zhèn)地下供水網(wǎng)絡(luò)覆蓋面積大，建設(shè)周期長，且地勢與城市相比更加復(fù)雜。隨著鄉(xiāng)鎮(zhèn)向城市化發(fā)展的不斷邁進，多層、高層建筑逐漸增加，為了保證供水水壓，智能化二次供水系統(tǒng)在應(yīng)用方面也逐漸增多，以求達到更好的供水效果。

鄉(xiāng)鎮(zhèn)智能化供水系統(tǒng)主要是由水源、水質(zhì)處理設(shè)備、輸水管道、出水設(shè)備等水利專用量測元件共同組成，主要是向各鄉(xiāng)鎮(zhèn)用戶或企業(yè)供應(yīng)自來水。因此，在智能化供水系統(tǒng)中，所提供的水應(yīng)該滿足用戶對于水壓、水量和水質(zhì)的要求。鄉(xiāng)鎮(zhèn)使用的智能化供水系統(tǒng)在實際使用中，具有非線性的特點，且在控制過程中具有較大慣性而導(dǎo)致控制滯后。因此，在使用中非常容易出現(xiàn)故障，且這種故障在排查過程中隱蔽性較高，如果不及時解決，則會直接影響用戶用水。

因此，在鄉(xiāng)鎮(zhèn)智能化供水系統(tǒng)的日常運行中，需要利用故障自動化診斷手段，以保證鄉(xiāng)鎮(zhèn)智能化供水系統(tǒng)的正常運行。故障自動化診斷的本質(zhì)，實際上就是利用故障診斷理論和測試儀器檢測系統(tǒng)狀態(tài)，獲取到系統(tǒng)運行過程中數(shù)據(jù)、圖譜等參數(shù)，并以此為基礎(chǔ)進行深入挖掘，分析運行狀態(tài)以及故障的發(fā)展趨勢，判定故障類型以及具體位置，為檢修人員提供一定的參考。

目前所使用的故障診斷方法中，是基于供水管網(wǎng)模型來對故障進行檢測。但是由于供水管網(wǎng)模型與管網(wǎng)運行實測數(shù)據(jù)之間存在一定的偏差，無法保證各項參數(shù)的計算精度，因此得到的自動化監(jiān)測結(jié)果誤差較大，影響診斷結(jié)果。因此，本文設(shè)計一種基于故障樹的鄉(xiāng)鎮(zhèn)智能化供水系統(tǒng)故障自動化診斷方法。

1 鄉(xiāng)鎮(zhèn)智能化供水系統(tǒng)故障自動化診斷方法

1.1 獲取故障征兆參數(shù)

對于鄉(xiāng)鎮(zhèn)智能化供水系統(tǒng)來說，運行過程中能夠表征故障的征兆型參數(shù)。工作示意圖見圖1。

圖1 鄉(xiāng)鎮(zhèn)智能化供水系統(tǒng)工作示意圖

征兆型參數(shù)是指能夠表現(xiàn)出不同信號特征或是具有某一確定數(shù)值的參數(shù)，從供水系統(tǒng)中獲取故障征兆數(shù)據(jù)是進行自動化故障診斷的基礎(chǔ)。一般情況下，故障征兆參數(shù)的獲取依賴于在線監(jiān)測系統(tǒng)，每天連續(xù)24h對不同的供水系統(tǒng)監(jiān)測點的運行狀態(tài)參數(shù)進行在線監(jiān)測，將獲取到的數(shù)據(jù)傳輸給故障自動診斷設(shè)備中的集控層，該位置所配備的服務(wù)器能夠?qū)⒌玫降臄?shù)據(jù)文件進行實時處理，進一步顯示出設(shè)備的工作狀態(tài)，并將各級參數(shù)進行存儲和分類分級管理，經(jīng)過分類的數(shù)據(jù)在數(shù)據(jù)庫中實現(xiàn)統(tǒng)一。

以上數(shù)據(jù)中，需要從中獲取征兆參數(shù)。由于在智能供水系統(tǒng)中，大多數(shù)的故障征兆參數(shù)在運行過程中會對整個供水系統(tǒng)的安全經(jīng)濟運行造成威脅，故大多數(shù)的參數(shù)都會有報警值。因此，在故障征兆參數(shù)獲取的過程中，選擇隸屬度函數(shù)對選取的征兆參數(shù)進行處理。數(shù)據(jù)在經(jīng)過隸屬度函數(shù)換算之前，要將各參數(shù)進行歸一化處理，以便后續(xù)計算。歸一化處理公式如下：

(1)

式中：x為無量綱的運行參數(shù)偏離程度；v0為變工況負荷下參數(shù)的正常運行值；vf為相對應(yīng)的工況下供水系統(tǒng)必須停止運行時的事故報警值；vr為檢測到的參數(shù)實際值。

根據(jù)鄉(xiāng)鎮(zhèn)智能化供水系統(tǒng)中，征兆參數(shù)在實際運行中與標準值之間相差數(shù)量較大，且會在一定范圍內(nèi)浮動，不同的故障類型對于征兆參數(shù)的影響是不同的?？紤]到本文方法的適用性，選擇的隸屬度函數(shù)如下：

μ(x)=-2x3+3x2

(2)

本文所選擇的隸屬度函數(shù)中，當(dāng)x的取值為0或1時，函數(shù)整體的變化程度較輕；當(dāng)其取值為0.5時，函數(shù)的變化速度較快。

以上隸屬度函數(shù)的取值與變化之間的特點，能夠準確描述供水系統(tǒng)參數(shù)的波動性。隸屬度函數(shù)曲線見圖2。

圖2 隸屬度函數(shù)曲線

在x的取值為0時，說明參數(shù)沒有出現(xiàn)變異，此時獲得的隸屬度函數(shù)為0；當(dāng)參數(shù)的偏離達到最大時，隸屬度函數(shù)為1，x的變化范圍在0～1之間，該取值范圍可以表示參數(shù)的各種異常情況。至此，完成故障征兆參數(shù)的獲取。

1.2 基于故障樹的故障分類

對于鄉(xiāng)鎮(zhèn)智能化供水系統(tǒng)來說，常見的故障包括硬件故障、通信故障、反饋故障以及外界干擾故障等，不同類型下的故障還需要進行細分，造成系統(tǒng)故障的原因很多。在進行故障檢測中，為了提升檢測效率，不能單依靠人工經(jīng)驗，本文引入故障樹的診斷方法。在建立故障樹過程中，首先要建立頂事件。本文故障樹的頂事件為最不希望智能化供水系統(tǒng)發(fā)生的故障，具體的大類別故障為中間事件，底事件為導(dǎo)致供水系統(tǒng)故障具體故障發(fā)生的原因。建立的故障樹模型見圖3。

在圖3中，邏輯與門都是指當(dāng)輸入事件必須同時出現(xiàn)時，而輸出事件才出現(xiàn)；在故障樹模型中出現(xiàn)的邏輯或門，則是指當(dāng)輸入事件中必須有一個事件時，則輸出事件才產(chǎn)生。在圖3中，白色方塊代表的是邏輯或門，陰影方塊代表的是邏輯與門。通過對故障樹中的底層事件進行分類，對于直接引起系統(tǒng)故障的四大類故障作為故障樹的第二層事件，第二層事件中又可以繼續(xù)細分為不同原因的事件，經(jīng)過層層分析，能夠得到層層的故障原因和檢測結(jié)果。如果是本層原因引發(fā)的故障，那么啟動報警，否則應(yīng)該繼續(xù)橫向或縱向進行分析，直到原因預(yù)測完畢。

圖3 故障樹模型

根據(jù)鄉(xiāng)鎮(zhèn)智能化供水系統(tǒng)的故障進行分析，主要對引起系統(tǒng)故障的因素進行分類和歸納。故障樹模型基于邏輯的原理，能夠全面、形象地對故障發(fā)生的危險進行分析與分類，對于工作人員來說，直觀且具有超強的邏輯性，對于后期的定量分析也有一定的幫助。

1.3 故障自動診斷

在完成故障樹模型建立后，能夠?qū)︵l(xiāng)鎮(zhèn)智能化供水系統(tǒng)運行過程中常見的故障進行分類以及原因的分析，為故障的自動診斷提供了有價值的數(shù)據(jù)集。當(dāng)自動診斷監(jiān)測到故障征兆參數(shù)后，需要對數(shù)據(jù)進行辨識，判斷出故障屬于故障樹中的哪種故障類型。在本文故障自動診斷中，引入SOM神經(jīng)網(wǎng)絡(luò)進行學(xué)習(xí)，以實現(xiàn)自動化診斷。本文所使用的SOM神經(jīng)網(wǎng)絡(luò)為雙層，分為輸入層和競爭層。神經(jīng)網(wǎng)絡(luò)在接收外部輸入時，也會分為不同的區(qū)域，而不同的區(qū)域?qū)Σ煌哪Ｊ疆a(chǎn)生了不同的反饋特性。其中，包含不同數(shù)量的輸入神經(jīng)元和輸出神經(jīng)元。見圖4。

圖4中，輸入層與競爭層之間為全互連狀態(tài)，輸入層是二維的平面陣列，由整齊排列的神經(jīng)元組成，兩個層次之間的神經(jīng)元間有側(cè)抑制連接。在獲取到征兆參數(shù)之后，通過SOM輸入層完成傳輸，對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練之后，調(diào)整各神經(jīng)元之間的連接權(quán)值，經(jīng)過訓(xùn)練且成功的網(wǎng)絡(luò)就可以進入故障診斷的工作狀態(tài)中，且在此之后權(quán)值則保持恒定。根據(jù)故障樹所分析出的故障類型，能夠通過SOM神經(jīng)網(wǎng)絡(luò)計算得到一定的故障論域特征向量，將輸出的向量繪制成二維圖像，見圖5。

圖4 SOM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

圖5 神經(jīng)網(wǎng)絡(luò)輸出的故障檢測二維圖像

圖5中，故障之間的征兆比較相似，映射在輸出平面中的位置也比較接近。在學(xué)習(xí)過程中，要準確選擇學(xué)習(xí)率的大小，并計算學(xué)習(xí)次數(shù)，防止陷入局部循環(huán)。至此，完成鄉(xiāng)鎮(zhèn)智能化供水系統(tǒng)故障自動診斷方法的研究。

2 實 驗

2.1 實驗準備

為了驗證本文所設(shè)計的鄉(xiāng)鎮(zhèn)智能化供水系統(tǒng)故障自動化診斷方法的有效性，以某鄉(xiāng)鎮(zhèn)的住宅區(qū)域智能化供水系統(tǒng)作為實驗對象進行分析。以該智能化供水系統(tǒng)所覆蓋的用水用戶為模板，在仿真軟件中設(shè)計的實驗室規(guī)模供水系統(tǒng)的平面示意圖見圖6。

圖6 仿真供水系統(tǒng)平面示意圖

實驗中，所搭建的供水系統(tǒng)占地面積約15m2，供水管道為PPR管，水管之間連接采用的是插式熱熔連接。整個系統(tǒng)的設(shè)備、管段參數(shù)見表1。

表1 實驗智能化供水系統(tǒng)參數(shù)

在以上仿真的鄉(xiāng)鎮(zhèn)供水系統(tǒng)中，利用流量監(jiān)測來監(jiān)控整個供水管網(wǎng)中的用水量，本文實驗中將監(jiān)測點設(shè)置在主供水管道以及公共用水區(qū)域中。在檢測過程中，選擇供水系統(tǒng)的水壓電流信號和水位電流信號作為故障診斷的源數(shù)據(jù)，分別使用本文設(shè)計的方法和基于OPC的故障診斷方法對數(shù)據(jù)進行感知，并對比不同方法。

2.2 實驗結(jié)果分析

在以上實驗環(huán)境下，兩種自動化診斷方法得到的水壓電流信號狀態(tài)量結(jié)果見圖7。

圖7 不同方法下的水壓電流信號狀態(tài)量監(jiān)測結(jié)果

根據(jù)圖7中兩個方法的檢測結(jié)果，可以計算出兩方法水壓電流信號監(jiān)測結(jié)果與實際狀態(tài)量之間的誤差情況，見表2。

表2 不同方法下的水壓電流信號狀態(tài)量誤差情況

從表2中的誤差情況可以看出，本文設(shè)計的方法得到的誤差遠遠小于基于OPC診斷方法所得到的誤差。在該參量的檢測上，本文方法展示出一定的優(yōu)越性。

兩方法所得到的水位電流信號狀態(tài)量結(jié)果見圖8。

圖8 不同方法下的水位電流信號狀態(tài)量監(jiān)測結(jié)果

根據(jù)圖8中兩個方法的檢測結(jié)果，可以計算出兩方法水位電流信號監(jiān)測結(jié)果與實際狀態(tài)量之間的誤差情況，見表3。

表3 不同方法下的水位電流信號狀態(tài)量誤差情況

從表3中的誤差分析結(jié)果可以看出，本文方法檢測結(jié)果與實際值之間的誤差量絕對值基本能控制在0.1以下，相對于基于OPC診斷方法來說，監(jiān)測精度更高。

3 結(jié) 語

為了對鄉(xiāng)鎮(zhèn)智能化供水系統(tǒng)進行精準的故障診斷，本文以故障樹、SOM神經(jīng)網(wǎng)絡(luò)等技術(shù)為基礎(chǔ)，設(shè)計了一種故障自動診斷方法。首先分析了鄉(xiāng)鎮(zhèn)智能化供水系統(tǒng)工作的流程，從中獲取故障征兆數(shù)據(jù)，將各參數(shù)進行歸一化處理，根據(jù)數(shù)據(jù)的變化規(guī)律選擇適用的隸屬度函數(shù)，建立故障樹模型，將常見的鄉(xiāng)鎮(zhèn)智能化供水系統(tǒng)故障進行整理歸類，引入SOM神經(jīng)網(wǎng)絡(luò)，并對網(wǎng)絡(luò)中的參數(shù)進行選取，經(jīng)過計算后，能夠輸出故障自動化診斷的二維圖像結(jié)果。經(jīng)過性能測試，驗證了本文方法在實驗室供水系統(tǒng)中的有效性。